结构方程模型：罄竹难书 | /cn/2008/01/why-i-hate-structural-equation-models/

访客 *colinisstudent* @ 2008-01-10 23:35:01 写道：

PLS似乎会好一点

访客 *deadwind* @ 2008-01-11 08:54:38 写道：

…………师兄说的确实也有道理，不过貌似现在在社会科学领域结果方程还是挺吃香，我们这学期刚学完的结构方程，我的领悟还不深，不过其中一点是结构方程主要目的是做CFA，所以做结果方程之前的理论建构应该是更好总要的吧

访客 *deadwind* @ 2008-01-11 08:56:20 写道：

对了 把这篇贴网址推荐到到我们班级学习的GOOGLE group 了，师兄不介意吧

访客 *lixiaoxu* @ 2008-01-14 17:29:51 写道：

SEM的应用确实很值得反思甚至反动，但不是在所提的三个问题的层面上。

第一个问题：经过数理统计专业训练的同行应该知道充分统计量这个概念。SEM在理论上也有考虑进偏度、峰度的模型(Bentler为首的研究团队一直在推这种叫做ADF的模型)，只是在应用中明显处于劣势被淘汰。因为需要的样本量太多，在小样本时没用；但在大样本时，普通的正态假设模型就已经很好用了。

第二个问题：计算复杂性问题是软件和算法研究者做的事情，应用者不应该牵扯详细的迭代过程，只需要知道迭代是否收敛。对于常见的SEM模型和不过分少的样本量，收敛不是问题。lisrel软件设计者对计算复杂性的政策是：如果有异样，就原样报告给用户，不给掩盖问题的缺省方案。

第三个问题：RMSEA的区间估计有明确的统计意义，可以告诉使用者“贵模型有能力近似地描述当前样本”或"贵模型没能力近似地描述当前样本"或"样本太少，证据不足"。

我的意见：

SEM的致命伤是前提太多，用家经常混淆什么是模型的前提，什么是模型所检验的结论。输入的整个框架是模型的前提，谁指向谁、谁解释谁，这些信息的90%不是模型检验的结论，而是模型的前提。因为前提实在太多了，所以（前提&结果）就太容易被质疑。但（前提-->结果）极严谨，并无破绽。正如
SEM的极端特例线性回归，使用者不应该从回归模型的整体显著去说其中的变量满足回归式子的线性关系。如果线性回归的模型报告说某某回归系数的区间估计是如何如何，那是在假定变量满足线性+同方差+正态等等一揽子假设之后才能得到的结论。对这种前提和结果的分量不成比例的研究模式，通常只能让步说，我的模型是这套数据多么好一个候选解释，而很难说数据证明了我的模型多么地唯一正确或者客观正确。

SEM比简单的线性回归多出来的一个麻烦是因子命名的效度，“几若善博者呼卢成卢，喝雉成雉”。但效度这样一个争吵了几十年的老问题，SEM不过是雨露均沾，不足为致命伤。

@lixiaoxu

访客 *lixiaoxu* @ 2008-01-16 06:29:34 写道：

闻道先后，术业专攻，不合适“教诲”这么重的语气。

1. 任何两套数据，如果任意阶样本矩都相同，就一定完全一样。任何两个总体分布，如果任意阶总体矩都存在且相同，就一定完全一样。早年创办Biometrika的那些先驱相信前4阶矩就完全决定一个分布。如今在社会科学领域，许多学者认为这个数学上错误的观点对现实中被研究的总体基本可以被接受。实际上，在SEM领域，前2阶矩就被认为是足够了。简单说就是近似正态，到底有多近似，则不是SEM的结论而是前提。如果对此无法接受，可以退一步想最简单的线性回归，是不是所有协方差信息和均值信息就决定了最终的结果。

当然，样本量充分多时，也就是总体已知时，可以知道两个变量之间的预测关系的非线性成分。线性回归可以引入二阶项、交互项，但SEM照样也有类似的扩展。

SEM研究的对象是总体的二阶中心矩，所以样本的二阶中心矩就是充分统计量。

2. 计算迭代的结果可靠性，是经验问题。你说的那两件必须做的事情，假如有一个可接受的明确标准，那就是必须由软件去做。现行的标准反映了圈内学者经验上的共识，要挑战这个共识，怀疑论是不够的。而且，如果一个不够优的迭代结果就能给出一个足够窄的RMSEA区间，即使有一个更优的结果，只会更窄的置信区间。

3. N Cliff(1983)的问题之一， 数据只拒绝而不证实模型。这里的模型主要是指结构方程的变量结构关系。从等价模型的普遍存在，学界已经很清楚SEM不能排除其他备择模型，因为后者在SEM框架里统计上完全等价。所以，得到的统计量只能回答某某模型能多么好地解释总体二阶矩。这个多么好，就是RMSEA的区间估计。RMSEA其实是一个标准化Effect Size。任何一个假设检验的问题，都有类似的Effect Size vs p的困扰。Cohen的d，线性回归的R^2如果有所谓大中小共识，RMSEA就有所谓小中大共识。

4. N Cliff(1983)的问题之二：可能只有学心理计量的学生才有机会去读那一摞Validity的文献。其实在操作层面，大部分时候针对validity的批评者不能提出明显更优的备择项。可能的冲突在于理科生习惯怀疑论语境，文科生习惯诸如结构主义或者存在主义之类某种语境。当然，二者的共识应该是，命名注定有一部分理据是在统计结论之外。

@lixiaoxu

访客 *lixiaoxu* @ 2008-01-16 14:21:14 写道：

2. 不同的SEM软件，||sigma(heta) - S||^2的最小化很容易互相比拼，这是它们公开竞争的地方，实现过程虽是黑箱，但结果可由市场优胜劣汰。所以不会有哪种能卖得开的软件会在这一点上留出破绽。学界颇有些专家和期刊专门品评这些行世软件的技术要点，为普通用户作守夜人。

3. iris正在和我们合写一篇解释这类困惑的中文文章。平时所见RMSEA和Cohen's d，都是点估计。当n无限增大，就逼近到对应的总体参数。置信区间，就是对这个总体参数的估计。关于RMSEA的置信区间，可参考Browne & Cudeck (1993).  RMSEA也正因为可以报告置信区间而被MacCallum & Austin (2000)重点推荐。

Browne, M. W., &  Cudeck, R. (1993). Alternative ways of assessing model fit. In (ed.) Bollen, K. A.  & Long, J. S., Testing Structural Equation Models,  136-61. Newbury Park, CA: Sage

MacCallum, R.C., & Austin, J.T. (2000) Applications of structural equation modeling in psychological research. Annual Review of Psychology, 51, 201-226.

@lixiaoxu

访客 *tianfeng* @ 2008-04-14 08:59:23 写道：

我这个学期有选SEM的课，当然是在社会科学领域。我认为SEM最方便的地方在于它灵活的建模方式，提供了一种方便的把理论转化为模型的思路。我主要是从这个角度来使用SEM，而至于你说的variance-covariance矩阵方面的质疑，并未做太多考虑。可能我们做社会科学的就像你所说的那样，做出漂亮的Chi2和RMSEA就不去考虑别的条件。这方面应该加强。

如果不麻烦的话，可否请你解释一下那个所谓几阶样本距的概念么？或者推荐一些基本的文献参考。

I am wondering whether you are the person I met in Renmin Univ.

访客 *April* @ 2009-12-07 15:19:32 写道：

呵呵，正在考虑用SEM来做课题设计后续部分的数据分析探讨，见前辈对SEM的口诛毛伐，有点迟疑。呵呵，不过，不得不说，前辈揭的SEM的痛处是其硬伤，我得再备加斟酌或择或弃：》

访客 *April* @ 2009-12-08 12:35:39 写道：

呵呵，也是，贫僧之前所见，几乎悉奉之为统计学的里程碑。今闻前辈醍醐灌顶，始明需冷眼观之。借哲学的辩证法之说，便是事物矛盾的双重性所在了：》

访客 *vermouth86* @ 2014-01-06 15:00:05 写道：

AMOS最大的问题就在于，改模型只需画线，但模型估计、拟合全是黑箱操作，很容易滥用。。。

我的天哪，我完全支持谢老师的观点！真的是完全说出了我的心声！最近在做研究时对SEM产生了深深的思考：我为什么要做它，它能解决什么实际问题？
感谢谢老师的博文，让我豁然开朗！谢谢！非常感谢！相见恨晚！